Почему AI в фитнесе питании всё ещё оверхайп - и как настроить его правильно Решил поделиться длительным опытом интеграции LLM в тренировочный процесс и ЗОЖ. За последний год я изучил этот вопрос с разных сторон: от обсуждения тренировок с LLM до разработки AI-приложений. Сегодня делюсь инсайтами. Спойлер: прямо сейчас 90% приложений с AI - тупая выкачка денег за иллюзию пользы. Но если подойти к делу с умом, ваша подписка на LLM их заменит и превзойдет. Разберем два главных направления: питание и планирование нагрузок. 1. Подсчёт калорий по фото Практически каждый современный трекер (MyFitnessPal, FatSecret, Garmin и.т.д.) встроил фичу: «сфоткай тарелку — получи КБЖУ». В чём проблема: - Специализированных моделей почти нет. В большинстве сервисов под капотом сидит обычная LLM, которая чаще занижает каллорийность. В итоге вместо легкого дефицита вы улетаете в жёсткую яму (что чревато срывами), а при работе на профицит - сидите в дефиците. - Проблема с фото. Чтобы специализированная модель хотя бы приблизительно угадала вес и состав, нужен идеальный свет, понятный масштаб и фиксированный размер тарелки. В реальной жизни люди фоткают как придется. - Иллюзия экономии времени. Большая точность достигается там, где вас просят после фото дописать текстом, что вы ели. Но тогда теряется весь смысл: проще взвесить все на весах за те же 2 мин. 2. AI-тренеры внутри приложений С планированием тренировок есть две базовые схемы: - Жесткие формулы (Garmin и др.). В 9 из 10 случаев их рекомендации адекватны, но не знают ваших целей и контекста. - Экспорт данных в стороннее приложение с LLM. Возникают проблемы экономики и управления контекстом. Чтобы модель дала качественный план, ей нужна куча данных: - Цель и фаза текущего тренировочного блока. - Саммари тренировок за прошлую неделю и динамика ключевых метрик (HRV, RHR). - Планируемая нагрузка + телеметрия за последние 3 дня. Легкие модели под капотом приложений тупо не периваривают это и путаются в цифрах,а полновесные GPT или Gemini руинят экономику разработчика. В итоге любой чат с AI в обёртке фитнес-аппы втирает вам дичь, которая совпадает с реальностью только на 60–70%. Как тогда правильно использовать LLM для тренировок? Шаг 0. Изучите базу Перед тем как идти к LLM, изучите метрики, важные для вашего спорта и как они реагируют на стресс/недосып. Вы должны быть подкованы в теме, чтобы: А) Не тратить контекст на лекции от модели. Б) Понимать реальное состояние тела до того, как откроете чат. Вариант 1: Разделение контекста в вашей личной подписке Используйте свою подписку на LLM и разведите задачи по разным чатам: - Чат 1 (Оперативный): Только динамика HRV/RHR за 3 дня + телеметрия конкретной тренировки (лучше цифрами/текстом, а не скринами). - Чат 2 (Стратегический): Таблица HRV/RHR за месяц, сводка типов нагрузки, текущие профильные метрики (например, FTP и VO2Max для вела) + цели прошлого и следующего блоков. Вариант 2: Кодинговый агент + MCP (Garmin / Strava) Самый правильный и продвинутый путь. Вы один раз собираете skill для агента, подключаете нужный MCP, настраиваете локальное сохранение контекста в файлы и дальше общаетесь как с персональным тренером. Контекст контролируется идеально, ручного копипаста - ноль. Но нужен запар на первичную настройку. Два совета для обоих сетапов: - Сообщайте инфу про свое субъективное самочувствие. Обязательно скормите модели информацию о том, как вы себя чувствуете прямо сейчас (тяжесть/стресс/плохой завтрак). ЦНС часто дает более точный сигнал, чем датчики часов, которые ещё не успели отловить сбой. - Не навязывайте модели своё мнение. Если вы напишете: «Я сегодня устал, давай отменим интервалы?» - LLM с вероятностью 99% поддакнет. Дайте ему 2–3 альтернативы, попросив сделать объективный выбор. Так вы снизите риск перетрена и травм практически до нуля и получите действительно рабочий инструмент. Если вам интересна тема сетапа кодингового агента - накидайте огонечков, распишу отдельным постом.